Dynamiczne mapowanie zadań

Budowanie potoków danych z Airflow

Volker Janz

Senior Developer Advocate at Astronomer

Problem ze sztywno zakodowanymi zadaniami

@task
def process_file_1():
    transform("/data/file_1.csv")
@task
def process_file_2():
    transform("/data/file_2.csv")
@task
def process_file_3():
    transform("/data/file_3.csv")

Przykład dynamicznego mapowania zadań

.expand()

@task
def fetch_files():
    return ["/data/file_1.csv", "/data/file_2.csv", "/data/file_3.csv"]

@task(max_active_tis_per_dagrun=2)  # control max parallelism
def process_file(path: str):
    print(f"processing file: {path}")


files = fetch_files()
process_file.expand(path=files)

Skalowanie w czasie wykonania

Zmapowane zadania w interfejsie

Zmapowane instancje widoczne są jako instancje indeksowane pod jednym zadaniem
Kliknij w dowolną, aby zobaczyć logi i status
DAG pozostaje czytelny nawet przy setkach instancji

Zmapowane zadania w interfejsie

.partial()

@task
def process_file(path: str, output_dir: str):
    transform(path, output_dir)


files = get_files()
process_file.partial(output_dir="/out").expand(path=files)

Problem iloczynu kartezjańskiego

files = get_files()           # ["/data/a.csv", "/data/b.csv", "/data/c.csv"]
destinations = get_targets()  # ["s3://out/a", "s3://out/b", "s3://out/c"]


# Cross product: 3 x 3 = 9 instances (not what we want!)
process.expand(path=files, dest=destinations)

Łączenie list

.zip()

files = get_files()           # ["/data/a.csv", "/data/b.csv", "/data/c.csv"]
destinations = get_targets()  # ["s3://out/a", "s3://out/b", "s3://out/c"]


# Paired: 3 instances (a->a, b->b, c->c)
process.expand_kwargs(files.zip(destinations))

zip() łączy elementy jeden do jednego według pozycji
expand_kwargs rozpakowuje każdą parę jako argumenty nazwane

Który wzorzec kiedy stosować

Wzorzec	Zastosowanie
`expand()`	Mapowanie po jednej liście
`partial()`	Ustawianie wspólnych parametrów dla instancji
`zip()`	Parowanie wielu list według pozycji

Pomagają budować skalowalne DAG-i
Gdy dane się zmieniają, liczba zadań dostosowuje się automatycznie w czasie wykonania

Czas na praktykę!

Budowanie potoków danych z Airflow